RANCANG BANGUN PROTOTYPE SISTEM PENGIDENTIFIKASI MANUVER KENDARAAN RODA EMPAT PADA PERANGKAT MOBILE DENGAN LOGIKA FUZZY DAN KLASIFIKASI NAIVE BAYESIAN

Transkripsi

1 RANCANG BANGUN PROTOTYPE SISTEM PENGIDENTIFIKASI MANUVER KENDARAAN RODA EMPAT PADA PERANGKAT MOBILE DENGAN LOGIKA FUZZY DAN KLASIFIKASI NAIVE BAYESIAN Ceria Ganinda Hapsari ( ) Pembimbing I : Waskitho Wibisono Pembimbing II : Baskoro Adi Pratomo

2 LATAR BELAKANG

3 #2

4 Collition brake assist Inflatable Seat Belts Drowsiness detector Akan tetapi...

5 Maka... Dalam tugas akhir ini dibuat desain dan implementasi sistem yang dapat mendeteksi manuver tingkat tinggi dari prototype kendaraan roda empat yang beresiko menimbulkan kecelakaan. Menggunakan logika Fuzzy serta metode klasifikasi Naïve-Bayesian. Hasil klasifikasi dikirim ke server untuk ditampilkan ke dalam aplikasi berbasis website.

6 TUJUAN

7 Membangun sistem aplikasi yang dapat mengenali aktivitas manuver kendaraan roda empat yang sedang berjalan (driving), tabrakan (bumping), dan drifting Mengembangkan metode klasifikasi logika Fuzzy dan Naive-Bayesian pada smartphone berbasis Android dari data input sensor Mengirim data manuver hasil klasifikasi ke server pada saat nilai sensor mengindikasikan manuver berbahaya yaitu tabrakan (bumping) dan drifting

8 RUMUSAN MASALAH

9 Bagaimana proses menggabungkan data beberapa sensor berbeda untuk kemudian diputuskan apakah pengendara sedang dalam manuver beresiko atau tidak? Bagaimana efektifitas dari metode klasifikasi logika Fuzzy dan Naive- Bayesian?

10 BATASAN MASALAH

11 Aplikasi berjalan jika program di running dengan menggunakan sensor gyroscope serta accelerometer pada smartphone Android versi Honeycomb dengan API level 13 keatas. Lintasan buatan dengan halangan berupa lantai dengan dinding disekitarnya digunakan sebagai jalur berkendara. Radio control tipe drift 4WD NQD skala 1:10 digunakan sebagai protoype pengganti kendaraan roda empat.

12 DASAR TEORI

13 Windows Sampling adalah teknik mengekstraksi data dengan sampling data. Setiap windows terdiri dari kumpulan data yang akan merepresentasikan satu data. Overlapping digunakan untuk menjaga agar data tetap konsisten sehingga data tidak terlalu divergen. Thresholding merupakan teknik untuk membedakan antar nilai sensor yang akan diproses dan tidak sehingga tidak semua nilai diproses.

14 Fuzzifikasi (fuzzification) Penterjemahan besaran tegas ke besaran Fuzzy. Fuzzy logic controller menerima input Fuzzy variable. Fuzzy variable dianalisis melalui grafik membership function. Membership function : representasi grafik dari tingkat partisipasi tiap input. Kumpulan dari beberapa membership function disebut Fuzzy set. Bentuk grafik yaitu bentuk S, bentuk Z, triangle dan trapezoid. Grafik harus memiliki nilai derajat keanggotan minimal 0 dan maksimal 1. Label : definisi linguistic dari setiap membership function. Logika Fuzzy...

15 Proses fuzzy (Fuzzy processing) Merupakan proses untuk mengolah input data setelah proses fuzzifikasi (hasil definisi dari membership function) menjadi sebuah output. Rule evaluation : pengevaluasian membership rule yang telah dibuat. Fuzzy outcome calculation. Penghitungan nilai outcome fuzzy Logika Fuzzy...

16 Proses Defuzifikasi (defuzzification) Proses untuk mengembalikan nilai derajat keanggotaan dari hasil Fuzzy processing ke dalam bentuk nilai output yang sebenarnya Menggunakan metode Fuzzy Sazonov Logika Fuzzy...

17 Naive-Bayesian... Menggunakan teori Bayes dengan menghitung peluang dari suatu kelas dari masing masing kelompok atribut yang ada dan menentukan kelas mana yang memiliki peluang paling optimal Hasil hipotesa atau sebuah kejadian (H) dapat diprediksi berdasarkan pengalaman (E) yang bisa diobservasi P H E = P(E H)P(H) P(E) Data metode klasifikasi Naive-Bayesian dapat dilatih (data training).

18 Naive-Bayesian... Prior probability (RED) = Jumlah objek RED Jumlah seluruh objek Likelihood X (RED) = Jumlah RED dalam hampiran X Jumlah kasus RED Posterior probability X (RED) = Prior probability RED Likelihood X pada RED Perhitungan Jumlah Data Tiap Class Yang Masuk Dalam Lingkup Data Baru [17]

19 Naive-Bayesian... Laplace estimator adalah teknik penghalusan pada input tertentu supaya nilai likehood terhadap suatu class tidak bulat 0 Weighted input digunakan untuk menjadikan nilai input tertentu sebagai nilai yang prioritas pembandingannya lebih tinggi daripada input lain.

20 PERANCANGAN PERANGKAT LUNAK

21 1 Mobil radio control Perangkat Android dan built in sensor 2 3 Aplikasi Web 5 Server 4 Pengumpulan data sensor Arsitektur Sistem...

22 Use Case Sistem...

23 State!= driving Ya Mencari level manuver Tidak Hasil = state Hasil = state + level Hasil klasifikasi ditemukan Pencarian Hasil Klasifikasi...

24 Membership Range (Logika Fuzzy)... SENSOR SUMBU MEMBERSHIP RANGE (rad/s) LOW HIGH Gyroscope x (pitch ) z (yaw ) Accelerometer x y MANUVER MEMBERSHIP RANGE (rad/s) Berjalan (driving ) Drifting Tabrakan (bumping ) LEVEL MANUVER MEMBERSHIP RANGE (rad/s) Low Medium High Very High

25 Diagram Alir Logika Fuzzy Data sensor accelerometer dan gyroscope hasil windows sampling dan overlapping Fuzzy variable terdefinisi Derajat nilai keanggotaan tiap rule pada state manuver terdefinisi Fuzifikasi state dan level manuver Pengolahan fuzzy state manuver dengan membership rule Defuzifikasi state manuver Smartphone Penggabungan state dan level manuver Klasifikasi nilai defuzifikasi state manuver Defuzifikasi level manuver beresiko State dan level manuver terdefinisi Level klasifikasi manuver terdefinisi Nilai defuzifikasi level manuver terdefinisi Derajat nilai keanggotaan tiap rule pada level manuver terdefinisi Nilai defuzifikasi state manuver terdefinisi Klasifikasi nilai defuzifikasi state manuver State klasifikasi manuver terdefinisi Pengolahan fuzzy level manuver beresiko dengan membership rule

26 Class driving Class bumping Class drifting Data Training State & Class low Class medium Class high Class very high Data Training Level Data Training (Naive Bayesian)...

27 Status SD card adalah mounted Smartphone State manuver terdedinisi Pembacaan data train Pencarian class dengan nilai posterior terbesar Data train terbaca Nilai posterior terdefinisi Pengambilan Data sensor accelerometer dan gyroscope hasil windows sampling dan overlapping Penghitungan nilai posterior Data sensor accelerometer dan gyroscope hasil windows sampling dan overlapping Nilai likelihood terdefinisi Penghitungan nilai prior Nilai prior terdefinisi Penghitungan nilai sensor dengan weighted input dan Laplace estimator Penghitungan nilai likelihood Nilai input baru terdefinisi Diagram Alir Naive Bayesian

28 3 2,5 2 1,5 1 0, Grafik Kondisi Manuver... gyroscope x accelerometer x gyroscope z accelerometer x Driving gyroscope x gyroscope z accelerometer x accelerometer x Drifting gyroscope x gyroscope z accelerometer x accelerometer x Bumping

29 UJI COBA dan EVALUASI

30 Lingkungan Uji Coba... Smartphone HTC Sensation XE Android v4 (Ice Cream Sandwich), Prosesor: 1.5 GHz dualcore, RAM: 768MB Radio control NQD Skala 1:10 tipe drifting 4WD, Baterai NiMH Eneloop Lite AA 6000 mah Ruangan 2,5m x 2,5m Lantai keramik, Dikelilingi dinding

31 Uji Coba Pendeteksian Manuver...

32 Uji Coba Pendeteksian Manuver Drifting...

33 Uji Coba Pendeteksian Manuver Bumping...

34 Uji Coba Akurasi Berdasarkan Variasi Metode dan Nilai Threshold Fuzzy Threshold 2 Bayesian Threshold 2 Fuzzy Threshold 4 Driving Bumping Drifting Bayesian Threshold 4

35 Uji Coba Akurasi dengan Nilai Threshold 2...

36 Dengan Logika Fuzzy : Driving = 0 5 x 100% = 0 % Bumping = 7 9 x 100% = 77, 7 % Drifting = x 100% = 100 % Dengan Naive-Bayesian : Driving = 2 5 x 100% = 40 % Bumping = 9 x 100% = 100 % 9 Drifting = 10 x 100% = 90, 9 % 11 Uji Coba Akurasi dengan Nilai Threshold 2...

37 Uji Coba Akurasi dengan Nilai Threshold 4...

38 Uji Coba Akurasi dengan Nilai Threshold 4... Dengan Logika Fuzzy : Driving = 3 5 x 100% = 60 % Bumping = 0 9 x 100% = 0 % Dengan Naive-Bayesian : Drifting = x 100% = 100 % Driving = 5 5 x 100% = 100 % Bumping = 2 x 100% = 22, 2 % 9 Drifting = 10 x 100% = 90, 9 % 11

39 Uji Coba Performa Running Time Proses Utama...

40 Rata-Rata Runtime Fuzzy : = 115,3 ms Rata Runtime Naive Bayesian : = 1024,96 ms Rata-Rata Runtime Send to Server : Rata-Rata Runtime Ekstraksi : = 38,96 ms = 91,52 ms Uji Coba Performa Running Time Proses Utama...

41 KESIMPULAN

42 1. Metode klasifikasi logika Fuzzy dan Naive-Bayesian dapat digunakan untuk mendeteksi manuver pada mobil radio control dengan sensor gyroscope dan accelerometer pada smartphone. Manuver yang dapat terdeteksi yaitu manuver berjalan (driving), tabrakan (bumping), dan drifting. 2. Perangkat lunak dapat melakukan perhitungan melalui metode logika Fuzzy serta Naive-Bayesian dengan input nilai sensor gyroscope dan accelerometer yang telah diolah melalui proses sampling, overlapping, pembatasan nilai threshold, dan konversi yang menghasilkan output hasil klasifikasi sekaligus level manuver kendaraan. Kesimpulan...

43 3. Nilai threshold 2 memiliki rata rata akurasi keseluruhan yang lebih baik daripada nilai threshold 4. Rata rata akurasi keseluruhan nilai threshold 2 adalah 68,095%. Sedangkan untuk nilai threshold 4 adalah 62,165%. 4. Untuk nilai threshold 2, rata rata keseluruhan akurasi dengan metode Naive-Bayesian adalah 76,96%, lebih tinggi daripada metode Fuzzy dengan ratarata keseluruhan akurasi 59,23%. Pada nilai threshold 4, rata-rata keseluruhan akurasi untuk metode Naive-Bayesian adalah 71,03 %, lebih tinggi 8,905 poin daripada metode Fuzzy yang hanya 62,125%. Kesimpulan...

44 5. Performa rata-rata running time untuk metode Naive Bayesian yakni 1024,96 ms, lebih lama 909,66 ms daripada metode Fuzzy yang hanya 115,3 ms. Untuk running time proses ekstraksi dengan threshold 2 dan panjang sampling 4 adalah 38,96 ms, sedangkan running time proses pengiriman ke server bernilai 91,52 ms. Kesimpulan...

45 1. Menggunakan teknik data filtering yang lebih baik sehingga dapat membantu mengurangi noise data dari sensor. 2. Menggunakan data training yang lebih efisien sehingga hasil akhir klasifikasi Naive-Bayesian dapat lebih akurat dengan hasil yang optimal. 3. Baterai radio control yang digunakan selalu berada dalam keadaan prima sehingga kinerja mobil, terutama untuk manuver drifting, dapat lebih stabil. Saran...

46

47 Rules Fuzzy Logic [14] Tabular Matriks Fuzzy Rule [14] Fuzzy Processing [14] Logika Fuzzy...